中介效应分析原理、程序、Bootstrap方法及其应用.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,中介效应分析：原理、程序、,Bootstrap,方法及其应用,清华大学经济管理学院,陈瑞 郑毓煌 刘文静,1,本文的写作目的,总结介绍前沿的中介检验程序和方法,结合研究实例，阐述,Bootstrap,中介检验的具体应用,结合研究实例，阐述复杂中介检验时,Bootstrap,的应用、结果分析和汇报,2,目 录,经典的中介效应检验方法,中介效应检验的原理和程序,Bootstrap,中介检验方法及其应用,结论和讨论,3,1,经典的中介检验方法（即前一个,ptt,中讲的）,因,果逐步回,归方法,(Causal,Step,Regression)(Baron&Kenny1986,),(2),M,a,=0.7*,(3),c,=,0.2,b,=0.58*,(1),X,Y,c,=0.6*,*,p,主效应并非中介效应存在的前提,完全中介并非中介检验的完美准则,该方法并非直接检验中介路径,a,*,b,=0,未能明晰复杂中介的检验,6,2.,中介检验的检验程序和方法,a,b,c,中介成立,中介成立,中介成立,中介不成立,中介不成立,可能忽略其他中介，有待讨论,唯一的中介,忽略其他中介,错误的理论框架,a b,显著,显著,正,互补的,中介,负,竞争的,中介,不显著,唯一的,中介,显著,仅有直接作用,不显著,无任何作用,c不显著,资料来源,：,Zhao,Xinshu,Lynch,J.G.,Chen,Q.Reconsidering Baron and Kenny:Myths and Truths about Mediation AnalysisJ.Journal of consumer research,2010,37(2):197-206.,c,7,2.,中介检验的检验程序和方法,a,b,的检验,Soble test,假设,a,b,服从正态分布，但实际上,a,b,不服从正态分布，导致第一类错误的概率增加。,没有直接操作的软件,Bootstrapping,程序,(Preacher&Hayes 2004,2008),并不假设,a,b,服从正态分布，而是依据实际的分布进行检验,可以通过,spss,插件直接操作,可以同时检验多个中介等较为复杂的中介,其他方法：,乘积分,布,法和,MCMC,法,8,3.Bootstrap,中介效应检验方法及其应用,3.1,简单中介检验,具体操作步骤（以,Tong,Zheng&Zhao(2013),为例介绍）,安装,PROCESS,插件（,Hayes 2013,）,打开,SPSS,，选择“,Analyze,”“,Regression,”“,PROCESS,”；,将自变量,（时间概念）,、中介变量,（防御聚焦）,和因变量,（享乐实用选择）,依次选入相应的选项框。,选择模型,4设定样本量为,5000,Bootstrap,取样方法选择偏差校正的非参数百分位法，即勾选“,Bias Corrected,”；对置信区间的置信度，选择,95%,Tong,L.,Zheng,Y.,&Zhao,P.2013.Is money really the root of all evil?The impact of priming,money on consumer choiceJ.Marketing Letters,24(2):119-129.,9,3.Bootstrap,中介效应检验方法及其应用,3.1,简单中介检验,结果汇报,按照,Zhao et al.,（,2010,）提出的中介效应分析程序，参照,Preacher,&Hayes(2004),和,Hayes(2013),提出的,Bootstrap,方法进行中介效应,检验，样本量选择,5000,，在,95%,置信区间下,，中介检验的结果的确,没有包含,0,（,LLCI=-1.7089,ULCI=-.1597,），,表明防御聚焦导向的中,介效应显著，且中介效应大小为,-.8379,。此外，控制了中介变量防御,聚焦导向之后，,自变量,金钱概念（金钱概念启动,vs.,控制组）对因变,量消费者选择（享乐品,vs.,实用品）的影响不显著，区间（,LLCI=-,.8907 ULCI=.5303,）包含,0,。因此防御聚焦导向在金钱概念对消费者,享乐实用选择影响中发挥了中介作用，且是唯一的中介变量。,Tong,L.,Zheng,Y.,&Zhao,P.2013.Is money really the root of all evil?The impact of priming,money on consumer choiceJ.Marketing Letters,24(2):119-129.,10,3.Bootstrap,中介效应检验方法及其应用,3.2,自变量为多类别分类变量,以往检验方法,使用,ANOVA,进行因果逐步回归（如,Pandelaere et al.2010,Wirtz&McColl-Kennedy,2009,）,分别进行两组间比较的回归中介分析,(,如,Mehta et al.2012,Pedersen et al.2011),若两个控制组对因变量影响无显著差异，将控制组合并,(,如,Calogero&Jost 2010,Janssen et al.2010),将对实验操纵的操纵检验变量作为自变量,(,如,Forgas 2011),11,3.Bootstrap,中介效应检验方法及其应用,3.2,自变量为多类别分类变量,具体操作步骤（以,Legate et al.(2013),为例介绍）,安装,MEDIATE,插件（,Hayes&Preacher 2012,）,打开,SPSS,，选择“,Analyze,”“,Regression,”“,MEDIATE,”；,将自变量,（遵照实验要求）,、中介变量,（自主性需求）,和因变量,（负面情绪）,依次选入相应的选项框。,设定样本量为,5000,；置信区间选择,95%,，,Bootstrap,取样方法选择偏差校正的非参数百分位法，在,X,编码框中选择“,Indicator”,，即将自变量作为多组别分类变量进行编码。,12,3.Bootstrap,中介效应检验方法及其应用,3.2,自变量为多类别分类变量,结果汇报,按照,Zhao et al.,（,2010,）提出的中介分析程序，参照,Preacher&Hayes(2012),提出的多类别分类自变量模型进行,Bootstrap,中介效应检验，将自变量以无实验要求组为参照编码为两个哑变量，样本量选择,5000,，在,95%,置信区间下，,遵照实验要求排斥他人（,vs.,无实验要求）,对情绪的负面影响受到心理需求的中介影响（,LLCI=.25 ULCI=.63,），该区间不包含,0,，中介效应大小为,0.43,；,遵照实验要求接纳他人（,vs.,无实验要求）,对情绪的负面影响也受到心理需求的中介影响（,LLCI=.01 ULCI=.28,），该区间没有包含,0,，中介效应大小为,0.13,。此外，两个哑变量（遵照实验要求排斥他人,vs.,无实验要求；遵照实验要求接纳他人,vs.,无实验要求对因变量（情绪）的,直接影响,均不显著（,p0.05,），表明心理需求是唯一的中介变量。,13,3.Bootstrap,中介效应检验方法及其应用,有调节的中介,(Moderated Mediation),逻辑：,X,和,W,交互影响,Y,X,和,W,对,Y,的交互影响受到中介变量,M,的作用。,有中介的调节,(Mediated Moderation),X,M,Y,W,逻辑：,X,对,Y,的影响通过中介,M,发挥作用,，这种中介受到,W,的调节。,Muller,Judd&Yzerbyt(2005),Edwards&Lambert(2007),Preacher,Rucker&Hayes(2007),3.3,有调节的中介（,Moderated Mediation,）,X,M,Y,W,两者没有本质区别，只是强调的重点不同,14,3.Bootstrap,中介效应检验方法及其应用,3.3,有调节的中介（,Moderated Mediation,）,X,Y,M,W,7,种有调节的中介检验模型,Edwards&Lambert(2007),Preacher,Rucker&Hayes(2007),15,3.Bootstrap,中介效应检验方法及其应用,3.3,有调节的中介（,Moderated Mediation,）,具体操作步骤（以,Berndt et al.(2012),为例介绍）,选择“,Analyze”“Regression”“PROCESS”,将自变量,（香烟渴望程度）,、中介变量,（自我效能）、调节变量（忧虑状态）,和因变量,（戒烟行为）,依次选入相应的选项框。,选择模型,8,，设定样本量为,5000,；置信区间选择,95%,，,Bootstrap,取样方法选择偏差校正的非参数百分位法。,16,3.Bootstrap,中介效应检验方法及其应用,3.3,自变量为多类别分类变量,结果汇报,按照,Zhao et al.,（,2010,）提出的中介分析程序，参照,Preacher et al.,（,2007,）和,Hayes,（,2013,）提出的有调节的中介分析模型（模型,8,）进行,Bootstrap,中介变量检验，样本量选择,5000,，在,95%,置信区间下，中,介变量,自我效能,的确,中介了,香烟渴望程度和忧虑状态对戒烟行为的,交,互影响,。进一步按照均值、均值加减一个标准差，区分了低、中、高,三种忧虑程度，分析了在,不同忧虑程度状态下,香烟渴望程度对戒烟行,为影响中自我效能的,中介效应,，数据结果表明对于,低度忧虑和中等忧,虑,的病人，自我效能的中介效应显著，,Bootstrap,检验的置信区间分别,为（,-.69,-.04,）和（,-.41,-.03,），均不包含,0,；而对于,高度忧虑的病,人,，自我效能并不发挥中介作用（,-.31,.03,），该区间包含,0,。,17,3.Bootstrap,中介效应检验方法及其应用,3.4,多个并列的中介变量（,Multiple Mediators,）,Bootstrap,方法的优点,可以检验分析所有的并列中介变量共同发挥的中介作用的大小；,其二，可以观测在剔除了其他中介路径的作用之后，单个的中介路径的作用大小,其三，可以对比不同中介路径的作用大小是否存在显著差异。,具体操作步骤（以,Stillman et al.(2009),为例）,打开,SPSS,，选择“,Analyze,”“,Regression,”“,PROCESS,”；,将自变量,（社会排斥）,、中介变量,（生活目标感知、自我效能、正确的价值观自我价值感知）,和因变量,（生命意义感知）,依次选入相应的选项框。,选择模型,4,，,设定样本量为,5000,Bootstrap,取样方法选择偏差校正的非参数百分位法；对置信区间的置信度，选择,95%,18,3.Bootstrap,中介效应检验方法及其应用,3.4,多个并列的中介变量,结果汇报,按照,Zhao et al.,（,2010,）提出的中介分析程序，参照,Preacher&Hayes,（,2008,）提出的多个并列的中介变量检验方法，进行,Bootstrap,中介变量检验，样本量选择,5000,，设置,95%,的置信区间。数据结果表明,四个中介变量共同发挥的中介作用显著,（,-.15,-.08,），作用大小为,-.11,；,在四个中介路径中,生活目标感知（,-.05,-.01,）、正确的价值观（,-.04,-0.3,）和自我价值感知（,-.09,-.03,）发挥了显著的中介作用，中介作用大小依次为,-.03,，,-.02,，,-.06,；而自我效能的中介作用并不显著（,-.02,.00,）。为了更好地区分各中介路径相对大小，,对四个中介路径作用的大小进行了对比,，数据结果显示，自我价值感知的中介作用显著高于自我效能（,.01,.08,）的中介作用，其他的中介路径比较则没有显著差异,18,。,19,3.Bootstrap,中介效应检验方法及其应用,3.5,多步中介（,Serial Multiple Mediators,）,具体操作步骤（以,Liu&Gal(2011),为例）,打开,SPSS,，选择“,Analyze,”“,Regression,”“,PROCESS,”；,将自变量,（消费者参与）,、中介变量,（同理心和与企业亲密性感知）,和因变量,（购买意向）,依次选入相应的选项框。,选择模型,6,，,设定样本量为,5000,Bootstrap,取样方法选择偏差校正的非参数百分位法；对置信区间的置信度，选择,95%,Mehta,Zhu,&Cheema2012,20,3.Bootstrap,中介效应检验方法及其应用,3.4,多个并列的中介变量,结果汇报,（以,Liu&Gal(2011),为例）,按照,Zhao et al.,（,2010,）提出的中介分析程序，参照,Hayes,Preacher,&Myers,（,2011,）和,Hayes,（,2013,）提出的多步中介变量的检验方法，进行,Bootstrap,中介变量检验，样本量选择,5000,，设置,95%,的置信区间。数据结果表明“,顾客参与同理心与企业亲密性感知购买意向,”的中介路径显著（,-.28,-.10,），作用大小为,-.18,；而“,顾客参与,同理心购买意向,”的中介路径不显著（,-.17,.04,），同时“,顾客参与与企业亲密关系购买意向,”的中介路径也没不显著（,-.29,.0121,4.,中介变量为分类变量或者因变量为多水平分类变量的中介效应,逐步回归,计算相应指标,中介检验,Iacobucci 2012,22,5.,结论与讨论,结论,关于中介效应的检验程序，研究者参照,Zhao et al.,（,2010,）提出的中介效应检验程序；,关于中介路径的检验方法，本文建议研究者采用,Preacher,、,Hayes,及其合作者研究开发的,Bootstrap,程序；,本研究详细阐述了较为复杂的但研究中普遍会遇到的中介变量的,Bootstrap,方法，包括自变量为多类别的中介、有调节的中介、多个并列的中介和多步中介；,当中介变量为分类变量或因变量为多分类变量变量时，研究者需要参阅,Iacobucci,（,2012,）计算相应回归系数、标准差以进行中介检验。,研究局限,由于不同的研究目的和研究需要，仍有诸多本文未能涉及到的中介类型,不同的研究往往有自身的独特性，所以研究者可以根据研究特点和需要汇报结果。,23,